📚 课程目录第4章催收数据特征体系

4. 催收数据特征体系：借款人基础信息特征、历史还款行为特征、外部征信特征、通话与社交特征

在催收场景中，特征工程的质量直接决定LightGBM模型的上限。催收数据特征体系通常划分为四大核心板块：借款人基础信息特征、历史还款行为特征、外部征信特征以及通话与社交特征。每一类特征从不同维度刻画借款人的还款意愿与还款能力，是构建高精度催收模型的基石。

核心原则：催收特征构建应遵循“可获取、可解释、可区分”三原则。特征必须能从现有数据源稳定提取，其业务含义能被催收策略人员理解，且在不同逾期阶段（M1、M2、M3+）具有显著区分度。

4.1 借款人基础信息特征

基础信息特征是借款人身份与背景的直接映射，通常来自申请环节的填写数据或内部存量数据。这类特征虽然静态，但能提供借款人基本画像，是模型冷启动阶段的重要依据。

特征类别	具体字段示例	催收业务含义
人口统计学	年龄、性别、婚姻状况、学历	不同年龄段还款稳定性差异显著；已婚人群通常还款意愿更高
职业与收入	职业类型、单位性质、月收入、工作年限	收入水平直接关联还款能力；公务员/事业单位人群逾期回收率较高
居住稳定性	居住时长、房产类型、户籍地、现居地	居住越稳定，失联概率越低；本地户籍催收触达率更高
联系人信息	紧急联系人数量、联系人关系、联系人手机号在网时长	联系人网络越丰富，失联修复成功率越高

  特征工程要点：基础信息特征需进行缺失值处理和异常值截断。例如“月收入”字段常存在极端值，建议采用分箱或百分位截断（如1%和99%分位）后再入模。年龄特征可做分段编码（如20-25岁、26-30岁等），提升模型非线性表达能力。

4.2 历史还款行为特征

历史还款行为特征是催收模型中预测能力最强的一类特征。它直接反映借款人过去对待债务的态度与履约习惯，是LightGBM特征重要性排名中通常占据前列的变量。

历史逾期统计：过去6/12/24个月内逾期次数、最长逾期天数、累计逾期金额。这些指标刻画借款人的“违约惯性”。
还款及时性：平均还款提前天数、最近一次还款延迟天数、还款时间偏好（工作日/节假日）。反映借款人资金安排的规律性。
还款金额行为：最低还款比例、超额还款次数、部分还款次数。频繁最低还款或部分还款是资金紧张的信号。
借贷活跃度：近3个月借款申请次数、多头借贷平台数、当前在贷平台数。多头借贷是逾期风险的核心预警指标。
历史催收响应：过去催收通话接通率、承诺还款履约率、投诉次数。直接反映借款人对催收的配合程度。

# 历史还款行为特征衍生示例（Python伪代码）
import pandas as pd
import numpy as np

def generate_repayment_features(df):
    # 历史逾期次数（过去12个月）
    df['overdue_count_12m'] = df.groupby('user_id')['is_overdue'].rolling(12).sum().values
    
    # 平均还款提前天数
    df['avg_pay_ahead_days'] = df.groupby('user_id')['pay_ahead_days'].transform('mean')
    
    # 多头借贷指数
    df['multi_platform_count'] = df.groupby('user_id')['platform_id'].nunique()
    
    # 催收响应率
    df['promise_keep_rate'] = df['promise_kept_count'] / (df['promise_made_count'] + 1e-6)
    
    return df

避坑提示：历史还款行为特征容易引入“未来信息”或“标签泄露”。例如，使用当前逾期期数作为特征预测未来逾期，会导致模型在训练集上表现极好但上线后完全失效。务必确保特征计算的时间窗口严格在标签时间点之前。

4.3 外部征信特征

外部征信特征通过接入第三方数据源（如央行征信、百行征信、同盾、鹏元等）获取，能够补充内部数据无法覆盖的借款人跨机构信用表现。这类特征对识别“以贷养贷”和“共债风险”尤为关键。

数据源类型	典型特征	催收价值
央行征信	信用卡逾期次数、贷款审批查询次数、担保余额	权威性最高，可识别严重失信人群
百行/朴道征信	多头借贷指数、共债评分、黑名单命中数	覆盖互联网借贷场景，时效性强
反欺诈数据	设备指纹关联风险、IP地址聚集度、申请信息一致性	识别团伙欺诈和伪冒申请
司法/执行数据	失信被执行人标记、限制高消费记录、涉诉案件数	直接判定借款人是否已进入司法失信名单

  特征融合策略：外部征信特征通常与内部特征存在共线性。建议先计算各征信特征与目标变量的IV值（信息量），筛选IV > 0.02的变量入模。同时，可构建交叉特征如“内部逾期次数 × 外部多头借贷指数”，提升模型对高风险人群的识别能力。

4.4 通话与社交特征

通话与社交特征是催收场景特有的强预测变量，尤其在失联修复和还款意愿评估方面具有不可替代的作用。这类特征通常基于借款人的通话详单、通讯录、社交网络图谱等数据衍生。

通话活跃度：近7/30天去话次数、来话次数、通话时长总和。通话活跃度下降往往是失联的前兆。
联系人网络特征：通讯录人数、亲属联系人占比、联系人中黑名单人数。联系人网络越“干净”，还款可能性越高。
催收通话行为：催收电话接通率、平均通话时长、承诺还款后是否再次失联。直接反映催收交互效果。
社交图谱指标：借款人所在社交子图的密度、中心度、与逾期节点的连接数。处于高风险社交圈层的借款人逾期概率显著上升。
位置轨迹特征：基站切换频率、夜间常驻地点稳定性、跨省移动次数。位置异常变动可能暗示逃废债行为。

  通话特征工程实战技巧：通话详单数据量通常较大（单用户月均数百条记录），建议先进行聚合统计。常用衍生方法包括：计算近7天/30天通话次数变化率（反映活跃度趋势）、识别凌晨时段（0:00-5:00）通话占比（异常行为信号）、统计与催收号码的通话频次（反映催收配合度）。这些特征在LightGBM模型中通常具有较高的分裂增益。

4.5 特征体系构建流程

将上述四类特征整合为统一的建模数据集，需要遵循标准化的构建流程，确保特征质量与一致性。

数据源梳理：盘点所有可获取的数据表，明确每张表的粒度（用户级、订单级、事件级）和时间戳。
特征衍生：基于业务理解，对原始字段进行统计聚合、比率计算、分箱编码、交叉组合等操作。
缺失值处理：区分“缺失”与“0值”的业务含义。例如，无征信记录可能代表征信白户，应单独编码而非简单填充。
异常值截断：对连续型特征进行分位数截断（如1%-99%），避免极端值影响模型训练。
特征筛选：使用IV值、相关系数、LightGBM内置特征重要性进行初筛，剔除低预测力或高冗余的特征。
时间对齐：确保所有特征的计算截止时间点一致，且严格在标签时间之前。

# 特征体系构建流程伪代码
def build_feature_pipeline(start_date, end_date):
    # Step 1: 基础信息特征
    base_df = extract_base_features(user_table)
    
    # Step 2: 历史还款行为特征（时间窗口：过去12个月）
    repay_df = generate_repayment_features(repay_table, window=12)
    
    # Step 3: 外部征信特征（最近一次查询记录）
    credit_df = extract_credit_features(credit_api_response)
    
    # Step 4: 通话与社交特征（近30天通话详单）
    call_df = generate_call_features(cdr_table, days=30)
    
    # Step 5: 合并与对齐
    final_df = base_df.merge(repay_df, on='user_id', how='left') \
                      .merge(credit_df, on='user_id', how='left') \
                      .merge(call_df, on='user_id', how='left')
    
    # Step 6: 缺失值填充与异常值处理
    final_df = handle_missing_and_outliers(final_df)
    
    return final_df

最佳实践：建议将特征构建过程封装为可复用的Python类或SQL模板，支持按时间窗口回溯。在模型迭代时，只需修改时间参数即可快速生成不同时间切片的特征集，便于进行时间序列交叉验证。

4.6 特征重要性评估与迭代

特征体系并非一成不变，需要随着业务环境变化和模型表现持续迭代。LightGBM提供了多种特征重要性评估指标，帮助识别哪些特征对模型贡献最大。

重要性指标	计算方式	适用场景
gain（增益）	特征作为分裂节点时带来的平均信息增益	评估特征对模型精度的实际贡献
split（分裂次数）	特征被选为分裂节点的总次数	评估特征的通用性和稳定性
cover（覆盖度）	特征分裂节点覆盖的样本数	评估特征的泛化能力

迭代注意事项：当发现某类特征（如通话特征）重要性持续下降时，应检查数据源是否发生变更（如运营商接口调整）、借款人行为是否发生迁移（如更多使用社交App替代通话）。定期（如每季度）重新评估特征体系，剔除失效特征，补充新衍生特征，是保持模型长期有效的关键。

通过系统化构建借款人基础信息、历史还款行为、外部征信、通话与社交四大类特征，并遵循标准化的流程进行衍生、清洗与筛选，可以为LightGBM催收模型提供高质量、高区分度的特征输入，从而显著提升催收策略的精准度和回收率。